深思熟虑，目标减弱：理解并缓解多模态大语言模型推理过程中的感知受损

多模态大语言模型（MLLMs）在扩展推理模式下常出现感知受损，尤其在视觉问答任务中。本文指出注意力分散是根本原因：在多步推理中，模型的视觉注意力变得散乱并偏离问题相关区域。通过分析注意力图谱，发现推理提示显著降低了对关键区域的关注。基于此，提出无需训练的视觉区域引导注意力（VRGA）框架，利用熵 - 焦点准则选择并重加权视觉头，有效引导模型在推理时聚焦相关问题区域。实验表明该方法显著缓解了感知退化，提升了视觉定位与推理准确性。